Заключение.
Разработанные алгоритмы могут использоваться для кластеризации контента, такого как анекдоты или новости, который был оценен пользователями. Данные алгоритмы, могут быть использованы для кластеризации контента любого вида, такого как анекдоты или новости, картинки, видео файлы, музыки. Причем есть возможность кластеризовать как используя оценку пользователя (задача кластеризации численных данных), так и используя категорийные способы кластеризации (например такой способ использует google, прося пользователей отнести картинку к той или иной категории). В любом случае, данные алгоритмы используют данные, полученные от пользователей, предполагая, что данные достоверные, что не всегда верно. Для большей достоверности алгоритмов, требуется включить интеллектуальную обработку истинности полученных оценок (как численных, так и категорийных). Для этого существуют различные способы. Одним из способов, является увеличения числа оценок, принимаемых от одного пользователя, для определения группы, к которой он принадлежит, и какой контент ему просматривать далее. Также нельзя растягивать шкалу оценки до больших размеров. Хотя это по идее должно приводить к более точной фильтрации, на самом деле, пользователь просто не сможет точно оценить объект, если ему предоставить в качестве шкалы шкалу, содержащую 10 и больше делений. Так на ресурсе написанным автором данной работы, шкала содержит всего три деления, что является оптимальным для такого контента как “анекдоты”. Для того чтобы упростить пользователем установку оценки, можно также сделать ее двумерное (например оценивать новость по нескольким параметрам, таким как: интересность, полезность и др.). Пользователей, которые ставят заведомо недостоверные оценки необходимо отфильтровывать и не использовать при построении прогнозов.
Таким образом алгоритмы коллаборативной фильтрации позволяют простым юзерам ориентироваться в глобальной паутине, легко находя нужные им вещи, такие как интересные прежде всего для них фильмы, музыку, видеозаписи и новости. Однако для этого им приходится самим потрудиться и оценить некоторое число контента, что не всегда является приемлемым. Будущее за таким способом коллобаротивной фильтрации, при котором оценки от пользователя собираются неявно на основании его действий. В совокупности с алгоритмами анализа изображений и смыслового анализа текста, алгоритм каллобаративной фильтрации станет очень мощным инструментом, который позволит очень точно искать информацию в сети, даже несмотря на все растущий ее объем.
Список литературы к реферату.
OECD Information Technology Outlook 2000: ICTs, E-commerce and the Information Economy. / Oecd, Organisation for Economic Co-operation and Development Secretariat, Organisation for Economic Co-operation and Development Committee for Information, Computer, and Communications Policy. OECD Publishing, 2000. ISBN 9264171851, 9789264171855. С 260
21st Century Technologies: Promises and Perils of a Dynamic Future. / Organisation for Economic Co-operation and Development. Соавтор Organisation for Economic Co-operation and Development. / OECD Publishing, 1998. ISBN 9264160523, 9789264160521. С. 173
A survey of complex object technologies for digital libraries. / DIANE Publishing. ISBN 1428996095, 9781428996090
AGGARWAL, C. C., WOLF, J. L., WU, K.-L., YU, P. S. 1999. Horting Hatches an Egg: A New Graph-Theoretic Approach to Collaborative Filtering. In Proceedings of ACM SIGKDD International Conference on Knowledge Discovery & Data Mining.
AMENTO, B., TERVEEN, L., HILL, W., HIX, D.,and SCHULMAN, R. 2003. Experiments in Social Data Mining. To appear in ACM Transactions on Information Systems.
AMENTO, B., TERVEEN, L., HIX, D., JU, P. 1999. An Empirical Evaluation of User Interfaces for Topic Management of Web Sites. In Proceedings of the 1999 Conference on Human Factors in Computing Systems (CHI '99), ACM Press, New York, NY. 552-559.
BAEZA-YATES, R., RIBIERO-NETO, B. 1999. ACM Press / Addison Wesley, New York.
BAILEY, B. P., GURAK, L. J., KONSTAN, J. A. 2001. An Examination of Trust Production in Computer-Mediated Exchange. In Proceedings of the 7th Conference on Human Factors and the Web, July 2001.
BALABANOVÍC, M., SHOHAM, Y. 1997. Fab: Content-Based, Collaborative Recommendation. Communications of the ACM 40, 66-72.
BASU, C., HIRSH, H., COHEN, W. W. 1998. Recommendation as Classification: Using Social and Content-Based Information in Recommendation. In Proceedings of the Fifteenth National Conference on Artificial Intelligence (AAAI-98), RICH, C. and MOSTOW, J., Eds. AAAI Press, Menlo Park, CA. 714-720.
BILLSUS, D., PAZZANI, M. J. 1998. Learning collaborative information filters. In Proceedings of the Fifteenth National Conference on Artificial Intelligence (AAAI-98), RICH, C. and MOSTOW, J., Eds. AAAI Press, Menlo Park, CA. 46-53.
BREESE, J. S., HECKERMAN, D., KADIE, C. 1998. Empirical analysis of predictive algorithms for collaborative filtering. In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence (UAI-98), COOPER, G. F. and MORAL, S., Eds. Morgan Kaufmann, San Francisco. 43-52.
CANNY, J. 2002. Collaborative Filtering with Privacy via Factor Analysis. In Proceedings of the 25th Annual International ACM SIGIR Conference on Research and Development in Information retrieval, ACM Press, New York, NY. 238-245.
CLAYPOOL, M., BROWN, D., LE, P.,and WASEDA, M. 2001. Inferring User Interest. IEEE Internet Computing 5, 32-39.
CLEVERDON, C., KEAN, M. 1968. Factors Determining the Performance of Indexing Systems.
Collaborative Filtering a Machine Learning Perspective. / Benjamin Marlin, Marlin, Benjamin, 1980- / National Library of Canada = Bibliothèque nationale du Canada, 2004. ISBN 061291318X, 9780612913189
Collaborative Filtering: Theoretical Positions and a Research Agenda in Marketing. / Richard Vézina, Université Laval. Faculté des sciences de l'administration. Direction de la recherche, Dorin Militaru, Direction de la recherche, Vézina, Richard, 1956-, Université Laval, Faculté des sciences de l'administration. / Faculté des Sciences de l'administration de l'Université Laval, Direction de la recherche, 2003. ISBN 2895241627, 9782895241621
COSLEY, D., LAM, S. K., ALBERT, I., KONSTAN, J. A.,and RIEDL, J. 2003. Is Seeing Believing? How Recommender Interfaces Affect Users' Opinions. CHI Letters 5.
DAHLEN, B. J., KONSTAN, J. A., HERLOCKER, J. L., GOOD, N., BORCHERS, A., and RIEDL, J. Jump-starting movielens: User benefits of starting a collaborative filtering system with "dead data". TR 98-017. 1998. University of Minnesota.
Deptford.TV Diaries II - Pirate Strategies: Pirate Strategies. / Deptford.Tv, Deptford Tv. / Liquid Culture, 2008. ISBN 1906496110, 9781906496111. С. 180
Distributing Information for Collaborative Filtering on Usenet Net News. / David A Maltz. / Xerox Corp., Palo Alto Research Center, 1994.
|
